Przewidajmy sentyment!

Analiza sentymentu w Pythonie

Violeta Misheva

Data Scientist

Problemy klasyfikacji

Recenzje produktów i filmów: sentyment pozytywny lub negatywny (klasyfikacja binarna)
Tweety o liniach lotniczych: pozytywny, neutralny i negatywny (klasyfikacja wieloklasowa)

Regresja liniowa i logistyczna

wykres przedstawiający regresję liniową (po lewej) dopasowaną do kilku wartości oraz regresję logistyczną (po prawej) dopasowaną do podobnych wartości

Funkcja logistyczna

Regresja liniowa: wynik liczbowy
Regresja logistyczna: prawdopodobieństwo:

$$ Probability(sentiment=positive|review) $$

wykres przedstawiający funkcję logistyczną (sigmoidalną) dopasowaną do kilku przykładów

Regresja logistyczna w Pythonie

from sklearn.linear_model import LogisticRegression

log_reg = LogisticRegression().fit(X, y)

Ocena wydajności modelu

Dokładność: odsetek poprawnych predykcji modelu.

Im wyższa dokładność i bliższa 1, tym lepiej

# Accuracy using score
score = log_reg.score(X, y)
print(score)

0.9009

Użycie accuracy_score

# Accuracy using accuracy_score
from sklearn.metrics import accuracy_score

y_predicted = log_reg.predict(X)
acurracy = accuracy_score(y, y_predicted)

0.9009

Ćwiczmy!

Analiza sentymentu w Pythonie